/ Модель

Характеристики

Контекст
512 токенов
Параметры
155 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Опубликована
2 мар 2022

deberta-v3-small

Заполнение пропусковТекст → текст5 профессий

Компактная англоязычная модель DeBERTa V3 для предсказания замаскированных токенов и дообучения на задачах понимания текста.

1 млнскачиваний за 30 дней83лайкавеса обновлены26 сен 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

microsoft/deberta-v3-small — англоязычная модель Microsoft для понимания текста и предсказания замаскированных токенов. Она использует архитектуру DeBERTa V3: раздельное представление содержимого и позиции в механизме внимания, улучшенный декодер маски и предобучение в стиле ELECTRA с разделением градиентов в эмбеддингах. В модели 6 слоёв, скрытый размер 768 и словарь из 128 тысяч токенов; метаданные указывают 155 млн параметров и контекст до 512 токенов.

Модель предназначена для заполнения пропусков в тексте и может служить основой для дообучения на задачах понимания естественного языка, включая ответы на вопросы и классификацию. В README сообщается о предобучении на 160 ГБ данных и приводятся результаты дообучения для SQuAD 2.0 и MNLI. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — MIT.

Сценарии применения

  • заполнение пропусков в английском тексте
  • предсказание следующего по контексту замаскированного токена
  • дообучение модели для ответов на вопросы
  • дообучение модели для классификации текстов

Ограничения

Контекст ограничен 512 токенами. Для ответов на вопросы и других прикладных задач может потребоваться дообучение; заявленный pipeline предназначен для заполнения масок.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DeBERTaV3: Improving DeBERTa using ELECTRA-Style Pre-Training with Gradient-Disentangled Embedding Sharing

DeBERTa improves the BERT and RoBERTa models using disentangled attention and enhanced mask decoder. With those two improvements, DeBERTa out perform RoBERTa on a majority of NLU tasks with 80GB training data.

In DeBERTa V3, we further improved the efficiency of DeBERTa using ELECTRA-Style pre-training with Gradient Disentangled Embedding Sharing. Compared to DeBERTa, our V3 version significantly improves the model performance on downstream tasks. You can find more technique details about the new model from our paper.

Please check the official repository for more implementation details and updates.

The DeBERTa V3 small model comes with 6 layers and a hidden size of 768. It has 44M backbone parameters with a vocabulary containing 128K tokens which introduces 98M parameters in the Embedding layer. This model was trained using the 160GB data as DeBERTa V2.

Fine-tuning on NLU tasks

We present the dev results on SQuAD 2.0 and MNLI tasks.

ModelVocabulary(K)Backbone #Params(M)SQuAD 2.0(F1/EM)MNLI-m/mm(ACC)
RoBERTa-base508683.7/80.587.6/-
XLNet-base3292-/80.286.8/-
ELECTRA-base3086-/80.588.8/
DeBERTa-base5010086.2/83.188.8/88.5
DeBERTa-v3-large12830491.5/89.091.8/91.9
DeBERTa-v3-base1288688.4/85.490.6/90.7
DeBERTa-v3-small1284482.8/80.488.3/87.7
DeBERTa-v3-small+SiFT12822-/-88.8/88.5

Fine-tuning with HF transformers

#!/bin/bash

cd transformers/examples/pytorch/text-classification/

pip install datasets
export TASK_NAME=mnli

output_dir="ds_results"

num_gpus=8

batch_size=8

python -m torch.distributed.launch --nproc_per_node=${num_gpus} \
  run_glue.py \
  --model_name_or_path microsoft/deberta-v3-small \
  --task_name $TASK_NAME \
  --do_train \
  --do_eval \
  --evaluation_strategy steps \
  --max_seq_length 256 \
  --warmup_steps 1500 \
  --per_device_train_batch_size ${batch_size} \
  --learning_rate 4.5e-5 \
  --num_train_epochs 3 \
  --output_dir $output_dir \
  --overwrite_output_dir \
  --logging_steps 1000 \
  --logging_dir $output_dir

Citation

If you find DeBERTa useful for your work, please cite the following papers:

@misc{he2021debertav3,
      title={DeBERTaV3: Improving DeBERTa using ELECTRA-Style Pre-Training with Gradient-Disentangled Embedding Sharing}, 
      author={Pengcheng He and Jianfeng Gao and Weizhu Chen},
      year={2021},
      eprint={2111.09543},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}
@inproceedings{
he2021deberta,
title={DEBERTA: DECODING-ENHANCED BERT WITH DISENTANGLED ATTENTION},
author={Pengcheng He and Xiaodong Liu and Jianfeng Gao and Weizhu Chen},
booktitle={International Conference on Learning Representations},
year={2021},
url={https://openreview.net/forum?id=XPZIaotutsD}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Ревизия весов
a36c739

0 моделей